论文目录 | |
中文摘要 | 第1-5页 |
Abstract | 第5-10页 |
第一章 绪论 | 第10-18页 |
1.1 研究背景及意义 | 第10-13页 |
1.1.1 研究背景 | 第10-12页 |
1.1.2 研究目的与意义 | 第12-13页 |
1.2 数据分类问题概述 | 第13-15页 |
1.3 主要研究内容 | 第15-18页 |
1.3.1 主要工作 | 第15-16页 |
1.3.2 内容安排 | 第16-18页 |
第二章 特征选择方法概述 | 第18-45页 |
2.1 特征选择方法的概念 | 第18-20页 |
2.1.1 特征选择和特征提取 | 第18-20页 |
2.1.2 特征选择方法的研究 | 第20页 |
2.2 特征选择的分类与过程 | 第20-28页 |
2.2.1 特征选择的分类 | 第20-25页 |
2.2.2 特征选择的过程 | 第25-28页 |
2.3 启发式算法在特征选择中的研究现状 | 第28-33页 |
2.3.1 启发式算法的概念与发展历史 | 第28-29页 |
2.3.2 启发式算法的特征选择方法研究 | 第29-33页 |
2.4 特征选择与BPSO算法 | 第33-38页 |
2.5 特征选择应用于不平衡数据分类问题 | 第38-41页 |
2.6 特征选择应用于高维小样本数据分类问题 | 第41-45页 |
第三章 变异因子增强的BPSO-SVM的研究 | 第45-72页 |
3.1 引言 | 第45-46页 |
3.2 支持向量机和粒子群优化算法 | 第46-49页 |
3.2.1 支持向量机(SVM) | 第46页 |
3.2.2 二进制粒子群优化算法(BPSO) | 第46-48页 |
3.2.3 影响过早收敛的因素 | 第48-49页 |
3.2.4 评价标准 | 第49页 |
3.3 ME-BPSO算法 | 第49-55页 |
3.3.1 粒子的编码 | 第50页 |
3.3.2 记忆更新机制 | 第50-52页 |
3.3.3 变异因子增强机制 | 第52-54页 |
3.3.4 常规变异 | 第54-55页 |
3.4 实验结果与分析 | 第55-71页 |
3.4.1 实验数据集 | 第55-56页 |
3.4.2 环境配置与参数设置 | 第56-57页 |
3.4.3 算法的性能对比分析 | 第57-59页 |
3.4.4 参数b对算法性能的影响 | 第59-64页 |
3.4.5 和已有相关算法的性能对比分析 | 第64-67页 |
3.4.6 收敛分析实验 | 第67-69页 |
3.4.7 统计分析 | 第69-70页 |
3.4.8 运行时间对比分析 | 第70-71页 |
3.5 本章小结 | 第71-72页 |
第四章 ME-BPSO的混合方法在不平衡数据分类的研究. | 第72-96页 |
4.1 引言 | 第72-73页 |
4.2 SMOTE方法及不平衡数据的评价标准 | 第73-75页 |
4.2.1 SMOTE方法 | 第73页 |
4.2.2 不平衡数据的评价标准 | 第73-75页 |
4.3 改进的SMOTE-ME-BPSO-SVM算法 | 第75-79页 |
4.3.1 改进的SMOTE方法 | 第75-76页 |
4.3.2 ME-BPSO-SVM算法 | 第76-77页 |
4.3.3 评价函数 | 第77-79页 |
4.4 实验结果与分析 | 第79-95页 |
4.4.1 实验数据集和参数设置 | 第79-81页 |
4.4.2 MSM算法和类似算法的性能比较 | 第81-84页 |
4.4.3 支持向量个数比较分析 | 第84-87页 |
4.4.4 MSM算法和已有相关算法的性能比较 | 第87-94页 |
4.4.5 在数据集ColonTumor上MSM和前人工作的比较 | 第94-95页 |
4.5 本章小结 | 第95-96页 |
第五章 混合特征选择方法在高维小样本数据的应用研究 | 第96-124页 |
5.1 引言 | 第96-98页 |
5.2 相关特征选择方法 | 第98-101页 |
5.2.1 信息增益(InformationGain) | 第98-99页 |
5.2.2 双样本T检验 | 第99页 |
5.2.3 支持向量机递归特征消除(SVM-RFE) | 第99-101页 |
5.3 Filter-Wrapper的混合算法 | 第101-104页 |
5.3.1 两种Filter方法:RI和RT | 第101-103页 |
5.3.2 ME-BPSO-SVM和MSM方法 | 第103-104页 |
5.4 实验结果与分析 | 第104-111页 |
5.4.1 实验数据集和参数设置 | 第104-105页 |
5.4.2 与同类混合算法的性能对比分析 | 第105-108页 |
5.4.3 RT方法分别和五种方法进行混合的实验比较分析 | 第108-110页 |
5.4.4 与已有相关算法的性能对比分析 | 第110-111页 |
5.5 三种方法在公共数据集上的实验对比 | 第111-115页 |
5.5.1 三种演进算法的实验比较分析 | 第112-113页 |
5.5.2 数据集Colon上和已有算法的对比分析 | 第113-114页 |
5.5.3 时间复杂度分析 | 第114-115页 |
5.6 孤独症的病理诊断应用 | 第115-123页 |
5.6.1 数据说明 | 第117页 |
5.6.2 三种演进算法性能对比分析 | 第117-120页 |
5.6.3 组合算法在不同属性子集规模下比较分析 | 第120-121页 |
5.6.4 和已有算法的实验比较分析 | 第121-123页 |
5.7 本章小结 | 第123-124页 |
第六章 总结与展望 | 第124-127页 |
6.1 论文总结 | 第124-125页 |
6.2 研究展望 | 第125-127页 |
参考文献 | 第127-139页 |
附录A | 第139-165页 |
A.1 ME-BPSO在所有数据集上的实验结果 | 第139-142页 |
A.2 混合算法MSM和相似算法在所有数据集上的实验结果比较 | 第142-148页 |
A.3 RT-MEB和RT-MSM和同类算法在所有数据集的实验结果比较 | 第148-165页 |
A.3.1 混合方法和同类其他方法的实验结果比较 | 第148-156页 |
A.3.2 三种演进方法的实验结果比较 | 第156-165页 |
在学期间的研究成果 | 第165-166页 |
致谢 | 第166页 |